Descripción general

En total, se realizaron 2125 encuestas en todos los países como muestra el siguiente mapa interactivo. En el caso de Colombia, se realizaron 524 encuestas en diversas zonas del país, como muestra el siguiente mapa. Varias encuestas se concentran en Bogotá y Medellín, pero otras zonas del país también fueron cubiertas. En Panamá, se completaron 400 encuestas, tanto en la zona este como la zona oeste del país. En Perú, se realizaron 596, principalmente en Lima, pero también en varias zonas rurales. Finalmente, en República Dominicana 605 clientes respondieron la encuesta.

Las encuestas fueron estratificadas según diferentes categorias: Exitoso, No exitoso, Un contrato, y Subjetivos. Además, dichas categorías fueron separadas según el tipo de actividad del cliente (agrícola o no agricola). La siguiente tabla muestra el número de encuestas por categoría:

El trabajo de campo se realizó entre Junio 2022 y Enero del 2023, con un peak de encuestas en Octubre. Si bien la mayor parte del trabajo de campo se realizó en la mayoría de los países entre Septiembre y Noviembre, hubo ciertas variaciones dependiendo del país⁵.

Figura 2. Fechas de aplicación de encuesta

Respecto a la caracterización de los clientes que respondieron la encuesta, estos tienen en promedio 47, con un rango entre 20 y 80 años de edad.

Figura 3. Distribución de edad de los participantes

En general, tienen un nivel educacional bajo, donde la mayoría alcanzó un nivel de educación secundaria o menor. Si bien la distribución entre los grupos Exitosos y No Exitosos es similar, hay una leve diferencia en educación primaria y educación superior, donde los clientes clasificados como Exitosos tienden a completar mayores niveles de educación. También se observa una heterogeneidad importante entre países: Perú cuenta con clientes con mayor nivel educacional, mientras que en República Dominicana cerca de un cuarto de la muestra no reporta información educacional o reporta alguna otra alternativa.

Figura 4. Nivel educacional de los participantes según clasificación de Éxito

Figura 5. Nivel educacional de los participantes por país

En cuanto a las áreas de los negocios, los clientes que respondieron la encuesta se dedican principalmente al comercio al por menor, seguido por el negocios agrícolas y servicios:

Figura 6. Áreas de negocio de participantes

Definición de Éxito

La gran mayoria de los clientes se considera exitoso (0.9%), mientras que un porcentaje menor no se considera dentro de esta categoría (2%).

Figura 7. Se considera ud. exitoso?

Se les preguntó a los clientes de manera abierta por qué se consideraban exitosos, y la mayoría dio argumentos asociados al trabajo, logros y metas. La siguiente figura muestra una nube con las palabras más frecuentes en dicha respuesta. De los pocos clientes que declaran no considerarse exitosos, las palabras que más se repiten se refieren a metas, faltas, proyecto, e incluso la pandemia.

Figura 8. Nube de palabras para razones por las que se consideran exitosos/as

Para los pocos clientes que responden que no se sienten exitosos, la mayoría declara que se considerarían exitosos si es que lograran que su negocio fuera estable.

Figura 9. Para los que no se consideran exitosos - Se consideraría exitoso principalmente si antes de 5 años…

Para finalizar esta sección, se les preguntó a los participantes qué hace exitoso/a a una persona o a un negocio. La misma proporción de personas asocia el exito personal a la estabilidad del negocio como a la estabilidad del hogar. A la vez, cerca de un tercio de los clientes consideran que el éxito de un negocio recae en su crecimiento. Dichas respuestas son similares entre los clientes categorizados como exitosos y no exitosos, aunque clientes no exitosos tienden a darle mayor importancia al reconocimiento por la comunidad y al hecho que el negocio permita cubrir necesidades del hogar.

Figura 10. Percepción de persona y negocio exitoso

Figura 11. Percepción de persona y negocio exitoso por categoría

Factores de Éxito

Para analizar potenciales factores de éxito, se les preguntó a los participantes qué harían con los beneficios de su negocio. La gran mayoría de clientes categorizados como exitosos como también los no exitosos respondieron que reinvertirían esas ganancias en su negocio. Alrededor de un tercio de los participantes declaran que usuarían esas ganancias para invertir en el hogar o pagar deudas. La distribución de respuestas es similar entre las dos categorías de éxito.

Figura 12. Cuando usted tiene beneficios en su negocio generalmente…

Según las respuestas de la encuesta, los participantes tienden a ser más optimistas que pesimistas, y una mayor proporción es menos aversa al riesgo. En cuanto a diferencias entre exitosos y no exitosos, las respuestas tienden a ser similares, con una propensión al riesgo levemente mayor para los clientes clasificados como no exitosos.

Figura 13. Preguntas acerca de optimismo y riesgo en los negocios

Figura 14. Preguntas acerca de optimismo y riesgo en los negocios según categoría de éxito

Juegos de Riesgo

Finalmente, al finalizar la encuesta, se les preguntó a los encuestados si es que deseaban responder un par de preguntas adicionales que les permitirían ganar dinero real. Si es que aceptaban, el encuestador procedía con tres juegos distintos, y si es que no aceptaban, se les entregaba una cantidad fija de pago por su participación.

Los juegos realizados tienen como objetivo identificar el nivel de riesgo que los clientes están dispuestos a tomar. Para cada país se dieron premios correspondientes en la moneda local, con un valor esperado de los premios de alrededor de US$7.

Juego I - Aversión al riesgo

El primer juego consiste en darle la opción al encuestado de escoger entre un valor fijo o un premio que depende del resultado de una moneda. El valor esperado del premio para cada opción es prácticamente constante, pero la varianza aumenta a medida que se avanza en las opciones. Los escenarios eran los siguientes:

1. (A): $5 seguro o (B): $4 si sale cara o $6.5 si sale sello
2. (A): $5 seguro o (B): $3 si sale cara o $8 si sale sello
3. (A): $5 seguro o (B): $2 si sale cara o $10 si sale sello
4. (A): $5 seguro o (B): $1 si sale cara o $12 si sale sello
5. (A): $5 seguro o (B): $0 si sale cara o $13 si sale sello

Se observa según las respuestas de los encuestados que si bien hay una distribución bastante uniforme en cuanto al riesgo, hay un porcentaje importante (22.4%) que tiene una mayor propensión al riesgo.

Figura 15. Respuestas en Juego I

Analizando las mismas distribuciones en términos de éxito, utilizamos un modelo lineal de probabilidades (LPM) para analizar la asociación entre riesgo y éxito⁶:

\[Exito = \beta_0 + \beta_1Risk_1 + \beta_2Risk_2 + \beta_3Risk_3 + \beta_4Risk_4+\beta_5Risk_5 + \varepsilon\] El coeficiente \(\beta_0\) representa la probabilidad promedio de un cliente de ser categorizado como exitoso si es que no toma ningún riesgo (i.e. elige la opción de $5 fijo), mientras que \(\beta_i\) representa la diferencia en probabilidad de ser considerado exitoso entre clientes que eligen la opción \(i\) de riesgo vs los que no eligen arriesgarse. Si es que dichos coeficientes son estadísticamente distintos de cero, indicarían que hay una diferencia significativa entre clientes que toman distintos niveles de riesgo y su probabilidad de ser exitosos.

Como se observa en los siguientes resultados, no hay una diferencia significativa entre los distintos grupos de riesgo (\(\beta_1\) a \(\beta_5\)).

Figura 16. Coeficientes LPM para aversión al riesgo

Juego II - Aversión a la pérdida

En el segundo juego, se le entrega al encuestado $20 y se le da la oportunidad de ganar $10 más. Para esto, se le muestra los siguientes 5 escenarios en los cuales tiene que escoger una de las dos alternativas (A o B). Finalmente, se selecciona de manera aleatoria la opción que se jugará y recibe el pago de acuerdo a este resultado.

1. (A): No perder nada o (B): Ganar $10 más si sale cara o perder $20 si sale sello
2. (A): No perder nada o (B): Ganar $10 más si sale cara o perder $16 si sale sello
3. (A): No perder nada o (B): Ganar $10 más si sale cara o perder $12 si sale sello
4. (A): No perder nada o (B): Ganar $10 más si sale cara o perder $8 si sale sello
5. (A): No perder nada o (B): Ganar $10 más si sale cara o perder $4 si sale sello

En la siguiente figura se observa que los clientes que respondieron la encuesta son en gran parte aversos a la pérdida. Por ejemplo, en el primer escenario (mayor riesgo) solo un 37.7% estuvo dispuesto a tirar una moneda, y solo cuando se llega al quinto escenario (menor riesgo) la proporción de personas dispuestas a arriesgar se equipara con las que no están dispuestas.

Figura 17. Respuestas en Juego II

En base a dichas respuestas, construimos una variable de aversión a la pérdida, con niveles de 0 a 5, donde 0 representa la persona que nunca escoge lanzar la moneda, 1 la persona que decide arriesgarse en el caso menos riesgoso, etc. De la misma manera que en el caso anterior, utilizamos un modelo de probabilidad lineal:

\[Exito = \gamma_0 + \gamma_1Loss_1 + \gamma_2Loss_2 + \gamma_3Loss_3 + \gamma_4Loss_4+\gamma_5Loss_5 + \varepsilon\] donde \(\gamma_0\) representa la probabidad promedio de que una persona sea categorizada como exitosa si nunca apuesta, y \(\gamma_i\) representa la diferencia en probabilidad de ser categorizado como exitoso entre las personas que deciden lanzar la moneda en el escenario \(6-i\)⁷.

En este caso se observa que si bien la mayoría de los coeficientes están en torno a 0, hay una diferencia significativa para los clientes que deciden apostar a las opciones de ganar $10 o perder $16 o incluso perder $20, las cuales son las opciones de mayor riesgo. Esto indica que clientes con menor aversión a la pérdida son categorizados como exitosos con una mayor probabilidad.

Figura 18. Coeficientes LPM para aversión a la pérdida

Juego III - Honestidad

Finalmente, el último juego consiste en 10 rondas, donde el encuestado debe adivinar el número que mostrará un dado. La persona deberá pensar un número entre 1 y 6, se generará el número al azar, y después la persona ingresará el número que había pensado. Si el número es igual que el que se muestra, la persona gana $1; si no es igual, la persona no gana nada.

Este juego tiene como objetivo medir el nivel de honestidad de los participantes. En promedio, si es que los participantes responden de manera honesta, deberíamos observar una distribución de porcentaje de aciertos en torno al valor esperado real (e.g. acertar 1 de 6 veces, en promedio, o 16.7%). Para contrastar los resultados, realizamos 100 simulaciones bajos los mismos parámetros que el juego. En este caso, observamos que la distribución observda (en naranjo) está sesgada con respecto a la distribución simulada. La primera tiene una cola más larga hacia la derecha, demostrando que ciertos clientes probablemente mienten respecto a sus respuestas para obtener el dinero.

Figura 19. Respuestas en Juego II

Utilizando el porcentaje de aciertos observados menos el porcentaje esperado (16.7%), construimos una variable categorica de honestidad de la siguiente manera:

1. \(Hon_0\): La persona tiene un porcentaje de aciertos igual o menor a 20%
2. \(Hon_1\): La persona tiene un porcentaje de aciertos mayor o igual a 20% y menor a 30%
3. \(Hon_2\): La persona tiene un porcentaje de aciertos mayor o igual a 30% y menor a 40%
4. \(Hon_3\): La persona tiene un porcentaje de aciertos mayor o igual a 40%

Al igual que en los dos juegos anteriores, usamos un modelo lineal de probabilidades para identificar la asociación entre honestidad y éxito:

\[Exito = \delta_0 + \delta_1Hon_1 + \delta_2Hon_2 + \delta_3Hon_3 + \varepsilon\]

El coeficiente \(\delta_0\) representa la probabilidad promedio de un cliente de ser categorizado como exitoso si es que es clasificado como honesto (\(Hon_0=1\)), mientras que \(\delta_i\) representa la diferencia en probabilidad de ser considerado exitoso entre clientes clasificados con un nivel de honestidad \(i\) vs los que caen en la categoria \(Hon_0\).

Como se observa en los siguientes resultados, no hay una diferencia significativa entre los distintos grupos de honestidad.

Figura 20. Coeficientes LPM para aversión al riesgo

Categoría Éxito

En esta primera definición de éxito, utilizamos la caracterización inicial de la encuesta, donde clientes con más de un crédito, que crecieron entre su primer y último crédito, y no tuvieron demora en sus pagos son categorizados como exitosos. En este caso, se excluye a los clientes con un solo crédito.

El primer modelo que utilizamos en un modelo lineal generalizado con regularización lasso. Esto permite seleccionar las características que más aportan a la predicción de la variable de resultado sin sobre-saturar el modelo. Si bien el modelo detecta variables que son intuitivamente relevantes, cabe notar que el nivel de exactitud del modelo es bajo, con un porcentaje de clasificación correcta de 59.4%. En este caso, las variables que más sobresalen están asociadas a otros créditos que la persona tomó (y no fueron aprobados o no terminó de pagarlos), también a variables asociadas a capacitación, refiriendose a dónde el cliente ha obtenido su experiencia en negocios y también si estaría dispuesto a pagar por un curso.

Figura 21. Importancia relativa de variables en modelo de regularización lasso para predicción de Éxito

Como segundo modelo, utilizamos un algoritmo de Random Forest para identificar de manera no paramétrica qué variables son las que más predicen la categoría de éxito. Este modelo agrega una secuencia de árboles de decisiones, como el mostrado en la siguiente figura, aleatorizando el número de predictores usados en cada caso:

Figura 22. Ejemplo de un árbol de clasificación

Al igual que en el ejercicio anterior, se repite la importancia del país, si realiza negocios con una asociación y/o cooperativa, variables asociadas con créditos externos y experiencia. Si bien este modelo funciona relativamente mejor que el anterior, su poder predictivo aún es bajo (59.8%)

Figura 23. Importancia relativa de variables en modelo de random forest para predicción de Éxito

Para ilustrar cómo dichas variables se relacionan con la primera definición de éxito, creamos un tabla de balance para ver si las diferencias son estadísticamente significativas entre estas variables. Como se observa en la siguiente Tabla, hay diferencias significantivas en clientes que optan por un nuevo crédito y su disposición a pagar por capacitación.

Score Éxito

Adicionalmente, utilizamos un score continuo como medida de éxito, usando un el siguiente promedio ponderado:

\[ScoreExito_i = \frac{1}{3}MoraPromedio SD_i + \frac{1}{3}\Delta MontoSD_i + \frac{1}{3}\Delta ExcedentesSD_i\] donde MoraPromedioSD se refiere a los días de mora promedio de cada cliente, estandarizado a nivel país. Por otro lado, ΔMontoSD y ΔExcedentesSD representan las diferencias del monto y los excedentes del negocio entre primer y último crédito, respectivamente, también estandarizados por país. Nos enfocaquremos en los clientes que estén en el top 10% de este puntaje.

En este caso utilizamos un modelo de Random Forest, como fue anteriormente descrito, para predecir esta nueva definición de éxito. En este caso, el modelo alcanza una clasificación correcta de observaciones de 89.9%. Los resultados de las importancia de los predictores se muestra en la siguiente figura:

Figura 24. Importancia relativa de variables en modelo de Random Forest para predicción de top 10% de score de éxito

En este caso, las variables más relevantes están asociadas a la capacidad de ahorro y al conocimiento y manejo del negocio. La siguiente tabla muestra el balance entre los dos grupos:

Autoreporte de Éxito

Finalmente, utilizamos una medida de autoreporte de éxito según la mismas respuestas de la encuesta. En este caso, creamos una variable binaria que toma el valor de 1 si es que la persona declara que las ventas de su negocio son muy superiores con respecto al primer año y 0 en otro caso. Al igual que en los modelos anteriores, utilizamos un modelo de Random Forest.

Este modelo clasifica correctamente 81.3% de las observaciones. Como se observa en la siguiente figura, las variables más predictivas están asociadas al conocimiento del negocio y las expectativas/aspiraciones de los emprendedores.

Figura 25. Importancia relativa de variables en modelo de Random Forest para predicción de éxito autoreportado